人工智慧機器學習和深度學習

[注: 本文翻譯自網上的一篇文章，有刪節，原文：

「人工智慧」這個術語大家都比較熟悉。畢竟，它一直是電影中的熱門焦點，例如「終結者」、「黑客帝國」等等。但您最近可能還聽說過其他術語，如「機器學習」和「深度學習」，有時它們與「人工智慧」交替使用。結果，人工智慧、機器學習和深度學習之間的區別可能非常不明確。

接下來，我將簡單介紹人工智慧（ai）、機器學習（ml）和深度學習（dl）的實際意義以及它們的不同之處。

那麼ai、ml和dl有什麼區別？

ai於2023年首先由john mccarthy創造，它涉及能夠執行人類智慧型特徵任務的機器。雖然這有點籠統，但它包括規劃、理解語言、識別物體和聲音、學習和解決問題等內容。

我們可以將人工智慧分為兩大類：廣義和狹義。廣義ai將具有人類智慧型的所有特徵，包括上面提到的能力。狹義的ai則展現人類智慧型的一些方面，並且可以很好地完成這一特徵，但在其他領域缺乏相關能力。一台非常擅長識別影象的機器，但別無他用，這是狹義ai的乙個例子。

本質上機器學習只是實現人工智慧的一種途徑。

亞瑟.塞繆爾(arthur samuel)在2023年創造人工智慧後不久就創造了這個短語，將其定義為「無需明確程式設計就能具備的學習能力」。你可以在不使用機器學習的情況下獲得人工智慧，但是這需要建立數百萬行具有複雜規則和決策樹的**。

因此，機器學習不是硬編碼特定指令來完成特定任務的軟體程式，而是一種「訓練」演算法的方式，以便學習如何做。「訓練」涉及向演算法提供大量資料，並允許演算法自行調整並改進。

深度學習是機器學習的眾多方法之一。其他方法包括決策樹學習、歸納邏輯程式設計、聚類、強化學習和貝葉斯網路等。

深度學習受到大腦結構和功能的啟發，即許多神經元的相互連線。人工神經網路（ann）是模擬大腦生物結構的演算法。

在人工神經網路中，有「神經元」，它們與其他「神經元」具有不連續的層和連線。每個圖層挑選乙個特定的要學習的特徵，例如影象識別中的曲線/邊緣。正是這種層次才給了深度學習這個名字，深度是通過使用多層而不是單層建立的。

人工智慧 機器學習和深度學習